Toutes les activites humaines amenent a planiier dans le temps des ressources. Latheorie de l’ordonnancement traite de modeles mathematiques mais analyse egalement dessituations reelles fort complexes. Nous avons etudie les differentes approches abordant lesproblemes de planiication dans leur contexte general. En effet il y a de nombreuses directions nouvelles des modeles et techniques utiles pour leur resolution.Remarquons que l'ordonnancement des taches de durees quelconques et dont les datesde disponibilite et les dates echues sont donnees, est un probleme NP-dificile au sens fort [LENS 1976]. Par consequent, des methodes heuristiques doivent étre utilisees pour leresoudre.Dans cette etude, nous nous sommes donnes comme objectif principal la resolutiond’un probleme d’ordonnancement d’un ensemble de processus soumis a une variete decontraintes. Nous avons mis en oeuvre un algorithme genetique pour l'optimisation de l'ordre d‘execution d'un tel ensemble; ou chaque processus est muni d'une fenétre de temps danslaquelle il est cense etre execute. Les contraintes qui relient les processus sont du genre 1avant, commence-comme, init-comme, commence-quand init, inclut et disjoint de.Les variables concernant le critere de minimisation sont 1 la somme des mesures de violationdes contraintes et notre objectif principal, a savoir, la minimisation du retard global.Dans la litterature, les problemes d'ordonnancement sont tres souvent traites pour desexemples de petite taille, par des methodes utilisant la programmation lineaire. Ces techniquesdeviennent dificiles a mettre en oeuvre pour des problemes de taille reelle qui representent un caractere combinatoire tres marque.ll existe deux grandes familles de methodes d'optimisation sous contraintes : La recherche "directe" a l‘aide d'hypothese simplificatrice (par exemplelinearisations) qui permet d'obtenir des resultats credibles lorsque seuls quelquesdegres de liberte sont explores ou lorsque le nombre de la complexite descontraintes permettent de les traiter par des methodes de recherche operationnelletype simplexe ; L'exploration "stochastique" d'un univers de possibilites, associee a une metriquepermettant de mesurer le niveau de satisfaction de l'objectif vise. Cette approcheest plus ouverte que la precedente, ses performances sont directement liees auniveau de guidage et de memoire qu'elle integre.Dans cette optique, il nous a pam raisonnable d'envisager des mélhodes slochastiquesd’oprin11'.s'alion. Neanmoins, nous n’avons pas voulu nous restreindre a une recherchearbitrairement aleatoire. En ce sens, il est interessant de s'inspirer du processus de selectionnaturelle.Nous proposons l'application des algorithmes genetiques pour resoudre le problemesusmentionne ; ce sont un type d'algorithmes evolutionnaires, qui font partie du champ del'intelligence artiicielle (IA). Nous avons propose, dans cette etude, des methodes deselection, de croisement et de mutation ain d'ameliorer notre algorithme propose.Nous avons donc oriente notre recherche vers l’etude des parametres d’un tel algorithme.D’ou, nous avons deini un mode adequat de selection des parents ain de fournir de bons ilscandidats a un iltrage necessaire de chaque populationLes propositions d’amelioration, sur l’agorithme de base, que nous avons formulees nous ont permis de garantir la convergence de l’algorithme ameliore vers de bonnes solutions.Vu que le probleme etudie est NP-dificile, donc, toute heuristique bien fondee ne peut quecontribuer a sa resolution.D’apres les resultats, nous jugeons que l’algorithme genetique ameliore obtenu est un outild’une grande eficacite pour la resolution de tout probleme qui peut se formuler de la mememaniere que le notre